Забудьте о хайпе — секрет более умных роботов кроется в человеке в гарнитуре

В то время как популярные сюжеты предполагают, что гуманоидные роботы скоро появятся у наших порогов благодаря массивным суперкомпьютерам, реальность гораздо более приземленная. В тихом складском помещении в Сан-Леандро, Калифорния, будущее физического ИИ выглядит не как блестящая лаборатория, а скорее как игра в «Дженгу». Эндрю Сеха, специалист по обучению в технологической фирме Encord, проводит свои дни, осторожно вытаскивая деревянные блоки из башни, будучи одетым в гарнитуру, оснащенную камерами и электродами, считывающими активность мозга. Эта необычная установка раскрывает фундаментальную истину о современных технологиях: у нас закончилось цифровое топливо, необходимое для того, чтобы сделать роботов умными.

Кремниевая долина провела последнее десятилетие, прочесывая каждый уголок интернета для обучения чат-ботов. Если вы вводите вопрос в ИИ, система отвечает на основе миллиардов страниц текста, написанных людьми. Однако эквивалентного «интернета движений» для физических задач не существует. Робот не может научиться складывать рубашку или штабелировать поддоны, прочитав статью в Википедии. Ему нужны данные, которые показывают, как силы, углы и намерения взаимодействуют в трехмерном мире. Этот дефицит физической информации — основная причина, по которой в вашем доме до сих пор нет надежного автоматизированного дворецкого.

Великая засуха физических данных

Логика генеративного ИИ проста: больше данных ведет к лучшим результатам. Это сработало для больших языковых моделей, потому что интернет — это бесконечная библиотека человеческих мыслей. У роботов нет такой роскоши. Компании вроде Encord сейчас переходят от управления существующими данными к производству новых данных с нуля. По сути, они строят цифровую фабрику человеческого опыта.

Винит Велмуруган, возглавляющий направление обучения роботов в Encord и являющийся ветераном крупных лабораторий, таких как OpenAI, объясняет, что даже огромной видеобиблиотеки вроде YouTube недостаточно для того, чтобы робот научился сложным манипуляциям. Просмотр видео, где человек наливает кофе, — это не то же самое, что ощущение веса кофейника или плеска жидкости. По оценкам Велмуругана, индустрии необходим набор данных, примерно в пять раз превышающий объем YouTube, чтобы достичь прорыва в физическом интеллекте. Это создает огромное «узкое место», так как сбор этой информации требует участия реальных людей, выполняющих реальные задачи в реальном времени. Это медленный ручной процесс в индустрии, которая обычно движется со скоростью света.

Чтение мыслей для обучения машин

Самая экспериментальная часть этого производства данных связана с нейротехнологиями. Encord в настоящее время тестирует гарнитуры от Zander Labs, немецкого стартапа, чтобы записывать то, что происходит внутри человеческого мозга во время физического труда. Когда такой тренер, как Сеха, играет в «Дженгу», гарнитура отслеживает его мозговые волны для обнаружения психических состояний. Датчики ищут сигналы удивления, ошибки или интенсивной концентрации.

Лукас Герке, нейробиолог из Zander Labs, отмечает, что эти сигналы дают подсказки, которые упускают видеокамеры. Если человек-тренер чувствует момент паники из-за того, что башня вот-вотт упадет, эта внутренняя реакция является ценной точкой данных. Она сообщает модели ИИ, что этот конкретный момент является критическим. Помечая видеоданные активностью мозга, разработчики могут научить роботов не просто тому, что делать, но и тому, какие моменты требуют наибольшей осторожности. Это похоже на то, как если бы стажеру дали наставника, который может поделиться своими инстинктами, а не просто инструкцией по эксплуатации.

Этот подход превращает каждое человеческое движение в насыщенный многослойный файл. Данные включают видео задачи, положение рук тренера и электрическую активность его мозга. Эта комбинация создает высокоточную карту человеческих навыков, которую машина со временем сможет имитировать.

Почему экранное время не может обучить робота

Среднестатистический потребитель может задаться вопросом, почему мы не можем просто использовать миллиарды часов записей с дверных звонков и камер видеонаблюдения для обучения этих машин. Проблема заключается в перспективе. Большинство существующих видео сняты «от третьего лица», и в них отсутствуют точные пространственные данные, необходимые роботу для перемещения собственных конечностей. Чтобы решить эту проблему, Encord использует «эгоцентрическое» видео, которое снимается с точки зрения человека, выполняющего работу.

В Сан-Леандро пилоты используют установки «ведущий-ведомый». Это парные роботизированные руки, где человек двигает один комплект, а робот в точности имитирует это движение. Когда человек вставляет кабель Ethernet в сервер или складывает покерные фишки, записывается каждая микрорегулировка. Это гораздо точнее, чем простое видео. Это фиксирует саму сложность задачи. София Инфанте, еще один пилот на объекте, демонстрирует трудности с подключением кабелей. Даже с продвинутыми датчиками роботизированным захватам не хватает ловкости человеческих пальцев. Собранные здесь данные фиксируют эти неудачи и успехи, чтобы помочь будущим моделям преодолеть этот разрыв.

Высокая стоимость созданной интуиции

В этом новом подходе к ИИ существует значительный экономический барьер. Сбор текста из интернета практически бесплатен, но производство физических данных обходится дорого. Encord добавляет плотные аннотации к своим данным, например, помечая конкретное движение как «правая рука затягивает болт». Велмуруган отмечает, что такие высококачественные аннотированные данные в 100 раз ценнее необработанного видео для обучения конкретным навыкам. Однако их производство обходится в 20 раз дороже.

Этот сдвиг в экономике меняет траекторию развития индустрии. ИИ больше не является просто программной проблемой, которую можно решить с помощью большего количества электроэнергии и более быстрых чипов. Теперь это проблема логистики и труда. Структурные элементы будущих гуманоидных роботов создаются вручную специализированными рабочими на складах. Это означает, что переход к физическому ИИ, вероятно, будет более дорогим и медленным, чем переход к цифровому ИИ. Невидимым хребтом индустрии теперь является не только кремний, но и физические усилия людей-тренеров.

Что это значит для вашего будущего дома

С практической точки зрения, стремление к получению данных о мозговых волнах и использованию ручных тренировочных установок предполагает, что специализированные роботы появятся задолго до универсальных. Мы, скорее всего, увидим машины, которые превосходно справляются с конкретными высокоценными задачами — такими как управление центрами обработки данных или сортировка складских запасов — прежде чем увидим робота, способного убраться на захламленной кухне. Данные для дата-центров производить проще, а собирать их выгоднее.

Глядя на общую картину, это исследование подчеркивает возвращение к ценности человеческого прикосновения. Даже самые продвинутые ИИ-компании осознают, что они не могут игнорировать сложность человеческого тела и разума. «Секретным ингредиентом» для следующего поколения гаджетов является не новый алгоритм, а более глубокое понимание того, как люди взаимодействуют с миром.

В конечном счете, прогресс физического ИИ зависит от того, насколько хорошо мы сможем перевести наши собственные подсознательные привычки в код. Когда в будущем вы увидите робота, успешно выполняющего задачу, это будет результатом тысяч часов работы людей-пилотов в гарнитурах, играющих в игры. Путь к автоматизации, как ни странно, проложен интенсивным человеческим трудом. Для потребителей это означает, что пока технология только зарождается, она остается премиальным продуктом, определяемым высокой стоимостью ее «образования».

Источники: TechCrunch industrial reporting, Encord corporate briefings, Zander Labs technical documentation, OpenAI robotics research archives.